Kecerdasan Buatan (02) Aspek Lanjutan

Categories: Modular Courses, Transformasi Digital

About Course

Kelas ini adalah Bagian Kedua dari rangkaian Program Kecerdasan Buatan di UGM Online

Apakah Anda tertarik untuk memahami dunia yang terus berkembang dari Kecerdasan Buatan (Artificial Intelligence/AI)? Kursus online ini adalah panduan lengkap yang akan membawa Anda dalam perjalanan dari dasar-dasar hingga pemahaman mendalam tentang AI. Anda akan mempelajari definisi, konsep, dan terminologi yang mendasari teknologi ini.

Kecerdasan Buatan telah menjadi salah satu bidang terpanas dalam dunia teknologi dan bisnis, yang mempengaruhi berbagai industri, mulai dari kesehatan hingga otomotif. Semakin banyak perusahaan yang mengintegrasikan AI dalam operasinya, sehingga meningkatkan permintaan akan tenaga kerja yang memahami konsep AI dan dapat mengembangkan solusi berbasis AI yang efektif. Dengan memahami definisi, konsep, dan praktik AI, peserta kursus akan mendapatkan keunggulan kompetitif di pasar kerja yang semakin bersaing.

Selain itu, dalam era digital yang semakin terhubung, isu-isu etika dan dampak sosial Kecerdasan Buatan menjadi semakin penting. Menghadapi pertanyaan etika terkait dengan AI dan memahami bagaimana teknologi ini memengaruhi masyarakat adalah tanggung jawab yang semakin penting bagi para profesional dalam bidang ini. Oleh karena itu, kursus ini juga membahas etika dan dampak sosial AI, memberikan peserta pemahaman yang mendalam tentang implikasi AI dalam konteks sosial, hukum, dan etika. Dengan latar belakang ini, kursus kami bertujuan memberikan pemahaman komprehensif tentang AI yang akan memberdayakan peserta untuk berhasil dalam dunia yang didorong oleh teknologi AI.

Kursus ini cocok untuk siapa saja yang ingin memahami AI, dari pemula hingga profesional yang ingin mendalami konsep-konsep inti dan praktik AI. Setiap modul didukung dengan studi kasus dan latihan praktis untuk membantu Anda mengembangkan keterampilan yang diperlukan dalam dunia AI yang cepat berubah. Bergabunglah sekarang dan mulailah perjalanan Anda ke dalam dunia yang menarik dari Kecerdasan Buatan!

Peserta dapat menjelaskan secara komprehensif definisi dan konsep dasar di balik Kecerdasan Buatan.
Peserta memahami terminologi yang umum digunakan dalam AI, seperti machine learning, deep learning, neural networks, dan lainnya.
Peserta dapat mengidentifikasi langkah-langkah esensial dalam membangun solusi AI, termasuk pengumpulan dan persiapan data, pemilihan algoritma, pelatihan model, dan evaluasi hasil.
Peserta dapat merangkum isu-isu etika yang terkait dengan AI, termasuk privasi, bias, dan tanggung jawab dalam pengembangan AI.
Peserta memahami dampak sosial AI terhadap masyarakat, termasuk perubahan dalam pekerjaan, kebijakan publik, dan interaksi sosial.
Peserta dapat menjelaskan pentingnya transformasi data dalam persiapan data untuk machine learning.
Peserta memahami teknik ekstraksi fitur dan seleksi fitur dalam konteks machine learning dan dapat mengimplementasikannya.
Peserta memiliki kemampuan praktis dalam mengembangkan model AI sederhana dan mengaplikasikan konsep yang dipelajari dalam studi kasus.
Peserta dapat memahami kode AI, menganalisis hasil, dan membuat keputusan berdasarkan data.

Course Content

Regresi Linear dan Seleksi Model Machine Learning

Simple Linear Regression Part 01

11:18
Simple Linear Regression Part 02

09:39
Simple Linear Regression Part 03

07:45
Simple Linear Regression-Part 04

06:12
Correlation

09:00
Multiple Linear Regression Part 01

06:11
Multiple Linear Regression Part 02

09:35
Multiple Linear Regression Part 03

14:54
Model Selection Part 01

14:02
Model Selection Part 02

12:23
Model Selection Part 03

13:12
Model Selection Part 04

10:19
Kuis

Uncertainty Problems dan Probabilistic Machine Learning

Introduction to Uncertainty Part 01

06:33
Introduction to Uncertainty Part 02

11:10
Probability for Machine Learning Part 01

09:29
Probability for Machine Learning Part 02

08:15
Probability for Machine Learning Part 03

07:52
Probability for Machine Learning Part 04

11:43
Probability Distribution

11:13
Conditional Probability and Bayesian Rule

13:23
Implementation of Bayesian Reasoning Part 01

07:48
Implementation of Bayesian Reasoning Part 02

13:58
Implementation of Bayesian Reasoning Part 03

14:25
Implementation of Bayesian Reasoning Part 04

16:11
Kuis

Rule-Based Machine Learning, Clustering, dan Association Rules

Introduction to Decision Tree 01

07:46
Introduction to Decision Tree 02

14:54
Introduction to Decision Tree-03

04:16
Information Theory in Decision Tree-Part 01

05:20
Information Theory in Decision Tree-Part 02

05:00
Information Theory in Decision Tree-Part 03

04:00
Information Theory in Decision Tree-Part 04

08:12
Information Theory in Decision Tree-Part 05

10:30
Clustering-Part 01

14:12
Clustering-Part 02

07:47
Association Rules-Part 01

14:41
Association Rules Part 02

13:20
Kuis

Pengantar Deep Learning

Introduction to Deep Learning-Part 01

11:22
Introduction to Deep Learning Part 02

13:23
Introduction to Deep Learning-Part 03

12:00
Introduction to deep learning Part 04

10:48
Introduction to deep learning-Part 05

10:44
Introduction to deep learning Part 06

09:44
Deep Learning Essentials-Part 01

09:24
Deep Learning Essentials-Part 02

11:40
Deep Learning Essentials Part 03

21:00
Convolutional Neural Network-Part 01

13:00
Convolutional Neural Network-Part 02

06:51
Convolutional Neural Network-Part 03

08:52
Kuis

Student Ratings & Reviews

No Review Yet

A course by

Dr.Eng. Ir. Sunu Wibirama, S.T., M.Eng., IPM.

Instruktur UGM Online

About Course

What Will You Learn?

Course Content

Regresi Linear dan Seleksi Model Machine Learning

Simple Linear Regression Part 01

Simple Linear Regression Part 02

Simple Linear Regression Part 03

Simple Linear Regression-Part 04

Correlation

Multiple Linear Regression Part 01

Multiple Linear Regression Part 02

Multiple Linear Regression Part 03

Model Selection Part 01

Model Selection Part 02

Model Selection Part 03

Model Selection Part 04

Kuis

Uncertainty Problems dan Probabilistic Machine Learning

Introduction to Uncertainty Part 01

Introduction to Uncertainty Part 02

Probability for Machine Learning Part 01

Probability for Machine Learning Part 02

Probability for Machine Learning Part 03

Probability for Machine Learning Part 04

Probability Distribution

Conditional Probability and Bayesian Rule

Implementation of Bayesian Reasoning Part 01

Implementation of Bayesian Reasoning Part 02

Implementation of Bayesian Reasoning Part 03

Implementation of Bayesian Reasoning Part 04

Kuis

Rule-Based Machine Learning, Clustering, dan Association Rules

Introduction to Decision Tree 01

Introduction to Decision Tree 02

Introduction to Decision Tree-03

Information Theory in Decision Tree-Part 01

Information Theory in Decision Tree-Part 02

Information Theory in Decision Tree-Part 03

Information Theory in Decision Tree-Part 04

Information Theory in Decision Tree-Part 05

Clustering-Part 01

Clustering-Part 02

Association Rules-Part 01

Association Rules Part 02

Kuis

Pengantar Deep Learning

Introduction to Deep Learning-Part 01

Introduction to Deep Learning Part 02

Introduction to Deep Learning-Part 03

Introduction to deep learning Part 04

Introduction to deep learning-Part 05

Introduction to deep learning Part 06

Deep Learning Essentials-Part 01

Deep Learning Essentials-Part 02

Deep Learning Essentials Part 03

Convolutional Neural Network-Part 01

Convolutional Neural Network-Part 02

Convolutional Neural Network-Part 03

Kuis

Student Ratings & Reviews